Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Entità di dati
La tabella seguente elenca le entità e le colonne di dati utilizzate da Demand Planning.
Come leggere la tabella:
-
Obbligatorio: le colonne di questa entità di dati sono obbligatorie per eseguire una previsione della domanda senza errori.
-
Obbligatoria condizionalmente: le colonne di questa entità di dati sono obbligatorie a seconda delle configurazioni impostate nelle impostazioni del piano di domanda.
-
Consigliato per la qualità della previsione: le colonne di questa entità dati sono obbligatorie per la qualità della previsione.
-
Facoltativo: il nome della colonna è facoltativo. Per ottenere funzionalità avanzate, si consiglia di aggiungere il nome della colonna con i valori.
outbound_order_line (obbligatorio)
Come viene utilizzata questa entità di dati? Demand Planning utilizza questi dati come fonte principale della domanda storica per la previsione. Inoltre, i campi selezionati come granularità vengono inviati per la formazione e sono disponibili come filtri per la revisione del piano della domanda.
Colonna |
La colonna è obbligatoria? |
Come viene utilizzata questa colonna in Forecasting? |
|---|---|---|
id |
Richiesto |
id, cust_order_id e product_id vengono utilizzati per identificare in modo univoco un record nell'entità dati e questa combinazione deve essere sempre unica. Assicurati che i valori delle colonne non contengano caratteri non validi come asterisco e virgolette doppie. |
cust_order_id |
Richiesto |
|
product_id |
Richiesto |
|
data_ordine |
Richiesto |
Obbligatorio per la creazione di previsioni. Identifica il periodo per la previsione delle serie temporali. |
quantità_finale richiesta |
Richiesto |
Necessario per la creazione di previsioni. Identifica la quantità utilizzata per la previsione delle serie temporali. Questa colonna non deve contenere valori nulli e deve essere numerica. Assicurati che non ci siano virgole nei valori. Ad esempio, 500000.00 è un valore accettato in Demand Planning. |
ship_from_site_id |
Obbligatorio condizionalmente |
Questa colonna è obbligatoria condizionatamente per la creazione di previsioni se la colonna è selezionata per la dimensione di previsione (gerarchia del sito). Questa colonna deve avere un valore e viene utilizzata per il filtraggio e l'analisi dei dati. |
ship_to_site_id |
Obbligatorio condizionalmente |
|
channel_id |
Condizionalmente richiesto |
Questa colonna è obbligatoria condizionatamente per la creazione di previsioni se la colonna è selezionata per la dimensione di previsione (gerarchia dei canali). Questa colonna deve avere un valore e viene utilizzata per il filtraggio e l'analisi dei dati. |
customer_partner_id |
Obbligatorio condizionalmente |
Questa colonna è obbligatoria condizionatamente per la creazione di previsioni se la colonna è selezionata per la dimensione di previsione (Customer Hierarchy). Questa colonna deve avere un valore e viene utilizzata per il filtraggio e l'analisi dei dati. |
ship_to_site_address_city |
Condizionalmente richiesto |
Questa colonna è obbligatoria condizionatamente per la creazione di previsioni se la colonna è selezionata per la dimensione di previsione (gerarchia del sito). Questa colonna deve avere un valore e viene utilizzata per il filtraggio e l'analisi dei dati. |
ship_to_site_address_state |
Condizionalmente richiesto |
|
ship_to_site_address_country |
Condizionalmente richiesto |
|
status |
Consigliato per la qualità delle previsioni |
Questa colonna è consigliata per la qualità delle previsioni. Gli ordini con stato annullato non vengono considerati come input previsionali. |
prodotto (richiesto)
Come viene utilizzata questa entità di dati?
Demand Planning utilizza gli attributi del prodotto per stabilire filtri gerarchici per la revisione del piano della domanda e per la formazione dei modelli.
Colonna |
La colonna è obbligatoria? |
Come viene utilizzata questa colonna in Forecasting? |
|---|---|---|
id |
Richiesto |
Necessario per l'inserimento dei dati in Supply Chain Data Lake (SCDL). Assicurati che i valori delle colonne non contengano ID duplicati e caratteri speciali come asterix e virgolette doppie. |
description |
Richiesto |
Necessario per l'inserimento dei dati in Supply Chain Data Lake (SCDL). Questa colonna può contenere caratteri speciali come asterix, trattino, virgolette e virgolette doppie. |
parent_product_id |
Obbligatorio condizionalmente |
Questa colonna è obbligatoria in modo condizionale per la creazione di previsioni se la colonna è selezionata per le dimensioni della previsione (gerarchia di prodotti). Assicurati che la colonna contenga valori e venga utilizzata per il filtraggio e l'analisi dei dati e l'addestramento dei modelli. |
product_group_id |
Richiesto in modo condizionale |
|
tipo_prodotto |
Obbligatorio condizionalmente |
|
nome_marchio |
Obbligatorio condizionalmente |
|
color |
Condizionalmente richiesto |
|
display_desc |
Richiesto in modo condizionale |
|
giorno_di_disponibilità del prodotto |
Consigliato per la qualità delle previsioni |
Consigliato. Il valore in questa colonna migliora la qualità delle previsioni consentendo al modello di previsione di considerare la tempistica dell'introduzione di nuovi prodotti. |
giorno_discontinuo |
Consigliato per la qualità delle previsioni |
Consigliato. Il valore in questa colonna migliora la qualità delle previsioni consentendo al modello di previsione di tenere conto dei tempi di ritiro dei prodotti. |
base_uom |
Consigliato per la qualità delle previsioni |
Unità di misura del prodotto. L'impostazione predefinita è Eaches. |
is_deleted |
Consigliato per la qualità delle previsioni |
Consigliato. Inserisci Y se l'ID del prodotto deve essere escluso dalla previsione. |
pkg_height |
Consigliato per la qualità delle previsioni |
Consigliato. Le caratteristiche fisiche del prodotto che i modelli previsionali sono in grado di comprendere. |
pkg_length |
Consigliato per la qualità delle previsioni |
|
pkg_width |
Consigliato per la qualità delle previsioni |
|
shipping_dimension |
Consigliato per la qualità delle previsioni |
|
casepack_size |
Consigliato per la qualità delle previsioni |
product_alternate (consigliato per la qualità delle previsioni)
Come viene utilizzata questa entità di dati?
Demand Planning utilizza i dati dei predecessori o alternativi del prodotto per creare previsioni per nuovi prodotti. Quando i dati vengono inseriti nell'entità dati product_alternate, è abilitato il supporto Product Lineage per la previsione. Puoi saltare l'inserimento dei dati nell'entità dati product_alternate e la previsione può comunque essere generata.
Colonna |
La colonna è obbligatoria? |
Come viene utilizzata questa colonna in Forecasting? |
|---|---|---|
id_prodotto alternativo |
Richiesto |
Necessario per l'inserimento dei dati in Supply Chain Data Lake (SCDL). Identificatore univoco del record. |
product_id |
Richiesto |
Necessario per l'inserimento dei dati in Supply Chain Data Lake (SCDL). ID del nuovo prodotto o nuova versione del prodotto. Assicurati che product_id sia inserito nell'entità dati del prodotto. |
product_alternate_id |
Richiesto |
Necessario per l'inserimento dei dati in SCDL. Identificatore per un prodotto simile o una versione precedente del prodotto. Per considerare più prodotti simili come un unico product_id, inserisci i prodotti in righe separate. Assicurati che product_alternate_id sia inserito nell'entità dati del prodotto. |
tipo_alternativo |
Richiesto |
Obbligatorio per applicare la supercessione o la derivazione del prodotto. Utilizzate il valore statico similar_demand_product in tutte le righe. |
alternate_product_qty |
Richiesto |
Necessario per applicare la supercessione o la derivazione del prodotto. Immettete la percentuale di cronologia dell'alternate_product_id che desiderate utilizzare per la previsione di product_id. Ad esempio, se è del 60%, inserisci 60. Se avete più alternative_product_id per un singolo product_id, non è necessario sommare alternate_product_qty fino a 100. |
alternate_product_qty_uom |
Richiesto |
Necessario per applicare la sostituzione o la derivazione del prodotto. Utilizza il valore statico specifico «percentuale». |
eff_start_date |
Richiesto |
Necessario per l'inserimento dei dati in SCDL. Inserisci l'intervallo di inizio per considerare la cronologia di un prodotto simile. Assicurati che questa data sia uguale o precedente a eff_end_date oppure puoi lasciare questo campo vuoto e Demand Planning riempirà automaticamente l'anno con 1000. |
eff_end_date |
Richiesto |
Necessario per l'inserimento dei dati in SCDL. Inserisci il periodo di fine da considerare nella cronologia di un prodotto simile. Assicurati che questa data sia uguale o successiva a eff_start_date. |
status |
Consigliato per la qualità delle previsioni |
Consigliato. Immettete Inattivo per ignorare la sovrapcessione del prodotto o la mappatura del lignaggio. |
supplementary_time_series (consigliato per la qualità delle previsioni)
Come viene utilizzata questa entità di dati? Demand Planning utilizza questi dati come fonte principale per etichettare fattori occasionali come eventi promozionali, sconti, festività e così via.
Colonna |
La colonna è obbligatoria? |
Come viene utilizzata questa colonna in Forecasting? |
|---|---|---|
id |
Richiesto |
Necessario per l'inserimento dei dati in Supply Chain Data Lake (SCDL). Identificatore univoco del record. |
data_ordine |
Richiesto |
Necessario per l'inserimento dei dati in Supply Chain Data Lake (SCDL). Indicatore temporale in cui è stata registrata la serie temporale. |
nome_serie temporale |
Richiesto |
Necessario per l'inserimento dei dati in Supply Chain Data Lake (SCDL). Nome del tipo specifico di serie temporale. La colonna time_series_name deve iniziare con una lettera, contenere da 2 a 56 caratteri e può contenere lettere, numeri e caratteri di sottolineatura. Non sono ammessi altri caratteri speciali. |
time_series_value |
Richiesto |
Necessario per l'inserimento dei dati in SCDL. Valore corrispondente alla serie temporale specifica. Demand Planning supporta solo l'input numerico e le serie temporali con valore categorico non vengono prese in considerazione. |
product_id |
Facoltativo |
Consigliato. Identificatore univoco per un prodotto specifico. Utilizza questa colonna se il fattore di domanda è disponibile a livello di prodotto. |
site_id |
Facoltativo |
Consigliato. Identificatore univoco per un sito o una posizione specifici. Utilizza questa colonna se il driver della domanda è disponibile a livello di sito. Questa colonna può rappresentare ship_from_site_id o ship_to_site_id in base alla configurazione della gerarchia del sito di livello più basso. |
channel_id |
Facoltativo |
Consigliato. Identificatore univoco per un canale specifico. Utilizza questa colonna se il driver della domanda è disponibile a livello di canale. |
customer_partner_id |
Facoltativo |
Consigliato. Identificatore univoco per un cliente specifico. Utilizza questa colonna se il fattore di domanda è disponibile a livello di cliente. |
Serie temporali supplementari storiche e future: comprensione delle covariate nelle previsioni
Una previsione accurata della domanda richiede la comprensione non solo dei modelli storici di vendita, ma anche dei fattori esterni che determinano i cambiamenti della domanda. I dati supplementari delle serie temporali (STS), denominati anche covariate, catturano questi fattori di domanda come promozioni, prezzi, festività e livelli di inventario, consentendo ai modelli di previsione di distinguere i modelli spiegabili dal rumore casuale e di prevedere in che modo le azioni aziendali future influiranno sulla domanda. Tuttavia, esiste una distinzione fondamentale tra le covariate note solo storicamente (come i livelli di inventario passati o le azioni della concorrenza) e quelle note in anticipo (come promozioni pianificate o festività programmate), e comprendere questa differenza è essenziale per creare previsioni accurate che supportino decisioni di pianificazione proattive.
Una distinzione fondamentale nella previsione della domanda è tra covariate passate e covariate note (chiamate anche covariate future). Comprendere questa differenza è essenziale per creare modelli di previsione accurati.
Covariate passate (dati storici STS)
Le covariate passate sono valori di serie temporali supplementari noti solo per i periodi storici. Queste variabili vengono osservate insieme alla domanda storica, ma non possono essere previste o conosciute in anticipo per i periodi futuri.
Esempi di covariate passate:
-
Disponibilità storica dell'inventario: sai quali erano i livelli di inventario in passato, ma la disponibilità futura dipende dalla domanda, dal rifornimento e da altri fattori incerti
-
Prezzi effettivi dei concorrenti: i dati storici sui prezzi dei concorrenti sono osservabili, ma le azioni future dei concorrenti non sono note
-
Condizioni meteorologiche: vengono registrate le condizioni meteorologiche passate, ma le condizioni meteorologiche future (oltre le previsioni a breve termine) sono incerte
-
Traffico del sito Web: i modelli di traffico storici sono noti, ma il traffico futuro dipende da molti fattori imprevedibili
Utilizzo nei modelli di previsione: le covariate passate aiutano il modello ad apprendere relazioni e modelli storici. Ad esempio, se un'elevata disponibilità di inventario è storicamente correlata a un aumento delle vendite (dovuto a una migliore visibilità del prodotto o alla velocità di evasione degli ordini), il modello impara questa relazione. Tuttavia, poiché questi valori non sono noti per i periodi futuri, il modello deve fare previsioni senza di essi o formulare ipotesi sui loro valori futuri.
Covariate note (dati STS futuri)
Le covariate note sono valori di serie temporali supplementari noti o che possono essere determinati in anticipo per periodi futuri. Questi sono gli input più preziosi per le previsioni perché forniscono informazioni concrete sulle condizioni future.
Esempi di covariate note:
-
Sconti promozionali pianificati: il tuo team di marketing ha già programmato campagne promozionali con livelli di sconto specifici per date future
-
Modifiche dell'indice dei prezzi: gli adeguamenti dei prezzi pianificati vengono determinati in anticipo in base alla strategia di prezzo
-
Indicatori delle festività: gli eventi basati sul calendario (festività, stagioni degli acquisti, periodi fiscali) sono noti con anni di anticipo
-
Spese di marketing pianificate: gli stanziamenti di budget e i programmi delle campagne sono predeterminati
-
Opening/Closing Eventi del negozio: i piani di espansione o consolidamento sono noti in anticipo
Utilizzo nei modelli di previsione: le covariate note migliorano notevolmente la precisione delle previsioni perché il modello può incorporare condizioni future effettive anziché ipotesi. Ad esempio, se sai che è prevista una promozione con uno sconto del 25% per il mese prossimo, il modello può prevedere l'aumento previsto della domanda sulla base dei modelli storici di risposta agli sconti.
Strategia pratica di implementazione
Per i periodi storici (dati di addestramento): includi sia le covariate passate che le covariate note nei dati supplementari delle serie temporali. Ciò consente al modello di apprendere le relazioni da tutti i fattori di domanda disponibili. Il set di dati deve contenere i valori effettivi osservati per tutti i tipi di serie temporali fino alla data attuale.
Per i periodi futuri (orizzonte di previsione): includi solo le covariate note nei dati delle serie temporali supplementari. Questi sono i fattori di domanda che puoi specificare con sicurezza per le date future. Esempio:
id,order_date,time_series_name,time_series_value,product_id,site_id,channel_id,customer_tpartner_id 1001,2025-02-01,discount_percentage,20.0,PROD_001,SITE_NYC,CHANNEL_ONLINE,CUST_12345 1002,2025-02-14,discount_percentage,30.0,PROD_001,SITE_NYC,CHANNEL_ONLINE,CUST_12345 1003,2025-02-01,holiday_indicator,0,PROD_001,SITE_NYC,CHANNEL_ONLINE,CUST_12345 1004,2025-02-14,holiday_indicator,1,PROD_001,SITE_NYC,CHANNEL_ONLINE,CUST_12345
Questi dati futuri indicano al modello che è previsto uno sconto del 20% per il 1° febbraio e una promozione del 30% per San Valentino per il 14 febbraio.
Applicazioni pratiche
-
Pianificazione promozionale: monitora le percentuali di sconto nel tempo per capire in che modo l'intensità promozionale influisce sulla domanda. Questo aiuta a identificare i livelli di sconto ottimali e a prevedere l'aumento della domanda derivante dalle promozioni future.
-
Analisi dell'elasticità dei prezzi: monitora i movimenti degli indici di prezzo per quantificare in che modo le variazioni di prezzo influenzano il comportamento di acquisto dei clienti su diversi prodotti, sedi e canali.
-
Modellazione dei vincoli di inventario: acquisisci i livelli di disponibilità dell'inventario per identificare quando le scorte si esauriscono o le vendite limitano le scorte, assicurandoti che le previsioni tengano conto delle limitazioni dell'offerta anziché dei veri segnali di domanda.
Vantaggi per la pianificazione della domanda
Incorporando dati di serie temporali supplementari, il sistema di pianificazione della domanda può:
-
Improve Forecast Precision: tieni conto dei fattori di domanda noti anziché trattarli come varianze inspiegabili
-
Abilita la pianificazione degli scenari: modella gli scenari ipotetici modificando i valori futuri dei fattori che determinano la domanda
-
Identifica le relazioni causali: comprendi quali fattori influiscono in modo più significativo sulla domanda di diversi prodotti e mercati
-
Support Strategic Decisions: Fornisci informazioni basate sui dati per strategie di prezzo, promozioni e inventario
